Fine-grain predictions are key to accurately represent continental-scale biodiversity patterns
Notice bibliographique
Résumé
Aim As global change accelerates, accurate predictions of species distributions and biodiversity patterns are critical to limit biodiversity loss. Numerous studies have found that coarse-grain species distribution models (SDMs) perform poorly relative to fine-grain models because they mismatch environmental information with observations. However, it remains unclear how grain-size biases vary in intensity across space and time, possibly generating inaccurate predictions for specific regions, seasons or species. For example, coarse-grain biases may intensify in patchy, discontinuous landscapes. Such biases may accumulate to produce highly misleading estimates of continental and seasonal biodiversity patterns. Location: United States and Canada Time Period: 2004-2021 Major taxa studied: Birds (Aves) Methods We fit presence-absence SDMs characterizing the summer and winter distributions of 572 bird species native to the US and Canada across five spatial grains from 1 to 50 km, using observations from the eBird citizen science initiative. We combined these predictions to generate seasonal biodiversity estimates across the US and Canada, which we validated using observations from 322 independent sites. Results We find that in both seasons, 1km models more accurately predicted species presence, absence, and richness at local sites. Coarse-grain models (even at 3 km) consistently under-predicted range area, potentially missing important habitat. This bias intensified during summer (83-86% of species) when many birds have smaller 'operational scales' via localized home ranges while breeding. Biases were greatest in desert regions with patchier habitat and for range-restricted and habitat specialist species. Predictions based on coarse-grain models overpredicted avian diversity in the west and underpredicted it in the great plains, prairie pothole region and boreal zones. Main conclusions We demonstrate that coarse-grain models can bias seasonal and continental estimates of biodiversity patterns across space and time and that grain-related biases intensify during summer and in patchier landscapes, especially for range-restricted and habitat specialist species at risk of population declines.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,065 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».